我有一个包含许多简历的数据库，包括每个人的性别、年龄、地址、受教育年限和许多其他参数的结构化数据。
对于大约 10% 的样本，我还有一些关于他们在某个时间点采取的特定行动的额外数据。例如，Jane 于 1998 年 7 月获得房屋贷款，或者 John 于 2007 年 1 月开始飞行员培训并于 2007 年 12 月获得执照。
我需要一种算法，该算法将为每个动作提供在未来时间增量中每个人发生的概率。例如，比尔在 2011 年获得住房贷款的机会是 2%，在 2012 年是 3.5%，等等。
我应该如何处理这个？回归分析？支持向量机？神经网络？还有什么？
是否有一些标准工具/库可以仅用于明显的自定义设置？
楼是对的，这就是“贝叶斯推理”的情况。
解决这个问题的最佳工具/库是 R 统计编程语言 (r-project.org)。
看看 R 中的贝叶斯推理库： http: //cran.r-project.org/web/views/Bayesian.html
“10%的样本”中有多少人？如果少于 100 人左右，我担心分析的结果不会很重要。如果是 1000 人或更多人，结果会非常好（经验法则）。
我会先将数据导出到 R（r-project）并进行必要的数据清理。然后找一个熟悉R和高级统计的人，他很快就能解决这个问题。或者你自己试试，但 R 在开始时需要一些时间。
关于工具/库的选择，我建议你试试Weka 。它是一个用于试验数据挖掘和机器学习的开源工具。Weka 有多种工具用于读取、处理和过滤您的数据，以及预测和分类工具。
但是，您必须在上述领域具有扎实的基础才能争取有用的结果。
我认为，鉴于 Y 发生，X 发生的概率正好来自贝叶斯推断。